AI Agent 的下一步：為什麼標準化知識格式 (OKF) 是企業導入的最後一哩路
當 AI Agent 要從聊天機器人進化為能處理複雜業務的數位員工，關鍵已非模型本身，而是如何讓它穩定存取、理解並信任企業知識。Google Cloud 推出的 Open Knowledge Format (OKF) 正是為了解決這個問題，它試圖建立一套 AI 時代的知識基礎設施，讓數據的共享、授權與調用都有標準可循。
當 AI Agent 要從聊天機器人進化為能處理複雜業務的數位員工，關鍵已非模型本身，而是如何讓它穩定存取、理解並信任企業知識。Google Cloud 於 2024 年 5 月推出的 Open Knowledge Format (OKF) 正是為了解決這個問題，它試圖建立一套 AI 時代的知識基礎設施，讓數據的共享、授權與調用都有標準可循。這將是 AI Agent 從「能聊」走向「能做」的最後一哩路，確保其在企業環境中能可靠執行複雜任務。
為什麼 AI Agent 需要一套「知識說明書」？
目前，企業在嘗試將 AI Agent 導入實際工作流程時，普遍面臨一個棘手的問題：如何讓 AI 可靠地存取內部知識？正如 一份關於大型語言模型自主代理的調查 所指出，企業知識散落在各種格式與系統中——從 PDF 報告、Word 文件、內部 Wiki，到各式各樣的 API 端點。直接將這些原始資料丟給大型語言模型（LLM）進行檢索增強生成（RAG），往往會遇到幾個難以克服的障礙。
首先是「一致性」問題。不同來源的資料格式迥異，AI Agent 需要耗費大量資源去解析、清理、對齊，過程中極易出錯。
其次是「信任與溯源」問題。當 Agent 根據一份內部文件回答問題時，我們如何知道它引用的是哪個版本的文件？文件的作者是誰？使用權限是什麼？如果連人類員工都需要版本控制與權限管理，我們沒有理由相信一個自主運行的 AI Agent 不需要這些。缺乏這些元數據，AI 的回應就成了無法驗證的黑盒子，在嚴肅的商業場景中是不可接受的。
最後是「治理」的挑戰。當知識沒有標準化的封裝，授權與撤銷權限就變得極其複雜。我們無法針對性地控制某個 Agent 能讀取哪些知識、不能讀取哪些，也無法在知識更新或過期時，確保所有相關的 AI 系統都能同步。這不僅是技術問題，更是資料治理與合規的巨大風險。AI Agent 就像一個新進員工，我們需要給它一本清晰的「員工手冊」與「資料庫使用說明」，而不是把它丟進一個雜亂無章的檔案室，任其自行摸索。
OKF 如何為 AI Agent 建立信任與治理的基礎？
OKF 的核心理念，就是為 AI Agent 提供那份清晰的「知識說明書」。它並非一種全新的檔案格式，而是一套基於 JSON 的開源規格（specification），用來標準化地封裝知識內容與其至關重要的元數據。這套規格的設計，顯然超越了單純的資料打包，而是將重點放在了知識的生命週期管理上。
根據其規格，一個標準的 OKF 物件至少包含以下幾個關鍵部分：
- 內容 (Content)：知識的本文，可以是純文字或指向其他格式的連結。
- 分塊 (Chunks)：將長內容預先切分成適合模型處理的語義單元，並可預先生成嵌入（Embeddings），大幅提升檢索效率。
- 元數據 (Metadata)：這是 OKF 的靈魂。它詳細定義了知識的來源（provenance）、作者、創建時間、版本、甚至是使用許可（licensing）。
- 唯一識別碼 (ID)：為每一份知識提供一個穩定且唯一的 ID，方便追蹤與引用。
OKF 的價值不在於它定義了如何「儲存」知識，而在於它定義了如何「描述」知識。這種標準化的描述，讓知識的共享、授權、檢索與更新，都擁有了可被機器自動化處理的共同基礎。
這套設計直接回應了前述的挑戰。透過標準化的元數據，企業可以精準控制資料的存取權限，實現更細緻的治理。當 AI Agent 引用某個知識時，我們可以輕易追溯到原始文件、版本與作者，確保了資訊的可靠性與可稽核性。這對於金融、法律、醫療等高度監管的行業尤其重要，正如相關研究指出的，企業級 RAG 系統的成敗，很大程度上取決於其資料治理與可信度。
這將如何改變企業導入 AI 的遊戲規則？
OKF 這類標準化知識格式的出現，預示著 AI 應用的重心，正在從模型本身的性能競賽，轉向更務實的「基礎設施建設」。就像網際網路的普及離不開 HTTP、TCP/IP 等底層協議，AI Agent 要在企業環境中規模化落地，也需要一套類似的「知識協議」。
有了這樣的基礎設施，我們可以預見幾個重要的轉變。首先，AI 應用的開發門檻將降低。開發者不再需要為對接每種內部資料源都寫一套客製化的解析與清理邏輯，他們可以專注於 Agent 的業務邏輯本身。其次，系統間的互通性（Interoperability）將大幅提升。不同廠商開發的 Agent，只要它們都遵循 OKF 規範，就有可能共享同一個知識庫，進而實現更複雜的跨部門協作。這也為一個更開放的 AI 生態系奠定了基礎，正如 W3C 的 PROV-O 等數據溯源標準在語義網領域所扮演的角色。
當然，OKF 目前仍處於早期階段，要成為業界通用標準還有很長的路要走。但它指出的方向是明確且關鍵的：當 AI Agent 要真正從有趣的玩具進化為可靠的生產力工具，我們需要的就不只是一個更聰明的「大腦」，更需要一個清晰、有序、可治理的「知識供應鏈」。這條供應鏈的建立，將是未來幾年所有希望嚴肅對待 AI 的企業，都無法迴避的課題。
延伸閱讀
- How the open knowledge format can improve data sharing (Google Cloud Official Blog)
- Open Knowledge Format (OKF) GitHub Repository
- A Survey on Large Language Model based Autonomous Agents (arXiv)
- Retrieval-Augmented Generation for Large Language Models: A Survey (arXiv)
- PROV-O: The PROV Ontology (W3C Recommendation)
- Generative Agents: Interactive Simulacra of Human Behavior (Stanford HAI)
我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。